数字堆砌出的“事业有成”

源济

数字堆砌出的“事业有成”

Original Nature Portfolio Nature Portfolio  2021-06-13

原文作者：Cassidy R. Sugimoto

科研是植根于一定历史、经济和政治条件的社会制度，以此为基础对科研进行定性分析，在大数据文献计量学中必不可少。

研究机构正面临越来越大的压力，它们需要在更短时间内，用更少的资源做出决策。如何高效组织研究，满足社会需求？科学学（the science of science）能够提供参考。

科学学用定量工具研究这个发现的系统，引入历史学、哲学、科学社会学等老牌学科，基于沿用百年的文献计量法，利用现存的出版、资助、专利记录开展研究。其研究结果可以阐明发展趋势，发现差距所在，为招聘、资助、培训等方面的政策提供依据。

相关图书

《科学学》

（The Science of Science）

作者：Dashun Wang & Albert László Barabási

出版社：剑桥大学出版社 (2021)

在《科学学》一书中，计算社会科学家（computational social scientist）Dashun Wang和网络科学专家（network scientist）Albert-László Barabási介绍了该领域的一些迅猛进展。作者将其称为大数据研究法，但更准确的说法，或许是网络科学工具在科学学研究中的应用。本书是一本入门书籍，记载了不少趣闻轶事，对话框引人入胜，行文也平白易懂。然而，书中的观点过于狭窄，导致令人忧心的阐释。

作者认为科学学是一门新兴学科，而并未考察其历史基础和跨学科基础。其实，1963年，科学史专家Derek de Solla Price出版《小科学，大科学》（Little Science, Big Science）一书，呼吁科研界“将科学研究的工具用于研究科学本身”，就使用了“科学学”这一名称；20世纪70年代以来，“科学学”一词已经见诸主流科学计量学文献。

本书拿捏着和管理学手册如出一辙的腔调，承诺帮助科学家明确生涯方向，坚称科学学旨在最大限度地增加个人的成功几率。作者还表示，本书既能帮助管理者发现最能为部门创造效益的人才，又能帮助资助机构圈定最可能表现突出的人选。

Albert-László Barabási实验室绘制的图片，展出于布达佩斯路德维希博物馆（Ludwig Museum）。图片提供：Dániel Végel/路德维希博物馆档案部（Ludwig Museum Archive）

然而，科研界对期刊影响因子、H指数等评判指标已从一味推崇，转向批判，因为使用指标常常弊大于利，由此导致的问题，被经济学家Margit Osterloh和Bruno Frey称为“爱排名，不爱科学”。学者们学会了“细水长流”——把数据一点一点地发表出来，能多攒一篇论文算一篇；更糟糕的是，学者们学会了相互倾轧。

这些忧虑早已通过《莱顿宣言》（ Leiden Manifesto）《旧金山科研评估宣言》（Declaration on Research Assessment）等共识声明广泛传播，签署后者的科研机构数以千计，研究者超过17000人。共识声明呼吁学界停止依赖各种设置不合理的指标，这些指标可能加剧种族、性别、阶级等系统性歧视。业界恳请决策者牢记古德哈特定律（Goodhart's law）：一项措施本身若变成目标，就不再是好措施。

然而，作者不仅对这些声音充耳不闻，还似乎要把这套科研界决心破除的制胜手段“发扬光大”。

马太效应和玛蒂尔达效应

本书首先探讨了科研生涯，罗列了几十位人物。然而，全书提及的女性屈指可数，且半数出自同一段关于美国杜克大学英语系的内容；除此之外，对居里夫人、克莉奥帕特拉七世、社会学家Dorothy Swaine Thomas等女性，也是寥寥数语，一笔带过。

凭科研成就列入本书的女性仅有社会学家Harriet Zuckerman一人，出现在关于协作的章节。但书中更偏向于介绍她丈夫对“马太效应”（the Matthew effect，用于形容地位优越者获取的不成比例的高回报）的研究，她对这个问题所作的贡献被忽略了。同样，本书也并未提及“玛蒂尔达效应”（Matilda effect）。科学史专家Margaret Rossiter发明了“马蒂尔达效应”一词，意指“女性对科学的贡献遭到的系统性低估”。1870年，妇女政权论者Matilda Gage指出了这一现象，玛蒂尔达效应即以她的名字命名。

女性和其他被边缘化的群体难觅踪影，不仅仅是平等问题——更动摇了本书观点的基础。几十年来，社会学和科学计量学的实证表明，社会因素和人口统计因素对科研工作影响甚大。忽视这一点，意味着要求管理者、资助方和招聘委员会将过往成功作为未来成功的主要预测指标，而忽视那些系统性的阻碍。

不过，本书对研究队伍优化问题的探讨要好一些。作者认为，大团队推动科学发展，小团队破坏科学发展。本书非常重视“超级合作者”（super-tie collaborators）的强大生产力，这类合作者持续不断地与他人共同写作论文。作者认为这是一项取得成功的机制。例证是，最好的团队会吸纳来自诸多民族、单位和国家的成员——加强了（但大部分未引用）社会学和科学计量学的研究成果。

作者认为，关于科研合作的研究始于2000年。但是，早在1964年，Zuckerman的博士论文已经详细研究了美国诺贝尔奖获奖者的合作；1978年，科学史专家Donald Beaver和Richard Rosen在《科学计量学》（Scientometrics）创刊号上提出了完整的科学合作理论。而且，本书引用的实证分析，时间跨度为2000~2005年，但当时中国尚未崛起为科研强国。于是，时至今日，书中的一些内容早已过时。

终身影响力指数

本书介绍了作者发明的若干概念，“最终影响力指数”（ultimate impact）即为其中之一。作者指出，文章的终身被引次数（the lifetime citations of a paper），能够反映对研究创新性和重要性的理解（适宜性）、从发表到首次被引的时长（即时性）和被引全程的时间跨度（长久性），并提出了预测论文终身被引次数的公式。但是，作者承认，这一指标可能导致“一些有价值的想法胎死腹中”。

于是，接下来，作者推荐了“Q因子”（Q-factor），该指标旨在量化研究者把想法转化为具备特定引用影响力指数的科学发现的能力，从而定义和预测其科研生涯。但是，这一指标假定的前提是，所有研究者拥有的资源是相同的，而忽视了不同国家或机构间资源严重不均的现实。作者一边认为高产研究者的才华和能力是与生俱来的，一边断言，科研成果“井喷”的过程中，随机性是一个关键变量。而无论以优秀的先天素质为基础，还是以不可预测的因素为基础，都难以产生公平、可行的科学政策。

最后，作者满怀信心地提出了后续规划，表示将研究科研工作的失败，承认一味关注成功将会忽略科研中失败这一重要方面。我不禁要问，科研工作具有汇总综合、重复试验、数据审编等多种功能，在“成功-失败”的二分法下，这些功能又何处容身？正常的科学在定义上是大量科研劳动力的发现点滴积累的结果。那些最高产、被引次数最多的研究者，脚下是许许多多研究者的肩膀。如果科研工作者不是巨星，就是失败者，那么聚沙成塔的学术发展也就不复存在了。

科学不是不食人间烟火的空中楼阁，而是植根于一定历史、经济和政治条件的社会和学术制度，轻视这些因素只会带来严重后果。归根结底，本书像是写于那个将科学当作精英体制的年代——哪怕诸多事实早已证明，科学根本不是什么精英体制。

原文以Scientific success by numbers为标题发表在2021年5月3日的《自然》的书评版块上

© nature

doi: 10.1038/d41586-021-01169-7